IA générative : personnaliser un menu… comme une culture

En 2024, une chaîne de pizzas a testé dans son application un générateur de recettes propulsé par ChatGPT. Le détail qui m’intéresse n’est pas la pizza à la myrtille ou le pop-corn en garniture. C’est le chiffre derrière l’idée : 35 ingrédients, jusqu’à 30 millions de combinaisons possibles. On est exactement dans le même ordre de grandeur que beaucoup de problèmes agroalimentaires et agricoles : un nombre énorme de variables, des contraintes (coût, nutrition, allergènes, saison, disponibilité), et des clients qui veulent leur produit, maintenant.

Ce type de “menu infini” est plus qu’un gadget. C’est une interface de personnalisation qui transforme la relation client, tout en générant des données exploitables sur les préférences, les tendances et les contraintes réelles. Et c’est là que le pont avec notre série « Intelligence artificielle dans les médias et les industries créatives » devient évident : l’IA ne sert pas seulement à produire du contenu, elle sert à créer des expériences. Une app qui propose une pizza “selon l’humeur” fonctionne comme une plateforme de recommandation média : elle écoute, propose, teste, apprend.

En décembre 2025, alors que les coûts des matières premières restent volatils et que les attentes de transparence (composition, origine, impact) montent d’un cran, cette logique de personnalisation devient un avantage compétitif. Pas uniquement pour la restauration. Pour toute la chaîne agroalimentaire, du développement produit à la planification agricole.

Ce que le test de Dodo Pizza dit vraiment sur l’IA

La leçon principale : l’IA générative est un moteur d’options, pas un chef. Dodo Pizza a intégré un générateur de saveurs dans son app (testé d’abord à Dubaï) : l’utilisateur choisit des ingrédients, renseigne une humeur (ex. “movie night”), puis l’outil assemble une proposition.

Le point fort, c’est la combinaison de trois éléments très concrets :

• Un catalogue structuré (ingrédients disponibles, règles de compatibilité, exclusions)
• Une interface conversationnelle (préférences, humeur, contraintes alimentaires)
• Une boucle d’attention (les “cartes pizza IA” génèrent environ 3 fois plus de clics que d’autres positions de menu, selon l’entreprise)

Autrement dit, la valeur ne vient pas seulement du modèle de langage. Elle vient du produit : comment on cadre l’IA pour qu’elle soit utile, mesurable et reliée au business.

Pourquoi ça marche côté expérience (comme dans les médias)

Dans les médias et industries créatives, la personnalisation est devenue la norme : playlists, recommandations, carrousels “pour vous”. Ici, on applique la même grammaire au food.

Une phrase résume le mécanisme : la personnalisation réduit l’effort de choix, tout en augmentant l’engagement.

La restauration a longtemps proposé 10 à 30 produits “figés”. Un générateur IA transforme ce modèle en catalogue dynamique, où l’utilisateur a l’impression de co-créer. Et la co-création, en UX, est un moteur puissant de conversion.

De la pizza au champ : la personnalisation comme nouveau standard agro

Transposer l’idée à l’agriculture et l’agroalimentaire est étonnamment direct : on passe d’une recette à une formulation, d’une humeur à un usage, d’un menu à un plan de production.

La réalité ? Beaucoup d’entreprises agro gèrent déjà des “recettes” complexes : mélanges, assemblages, formulations, profils nutritionnels, textures, durée de conservation. La différence, c’est que ces paramètres sont souvent gérés dans des tableurs, des ERP, ou des cahiers R&D peu connectés aux signaux clients.

Cas d’usage 1 : formulation de produits et innovation R&D

Un générateur de “saveurs” devient un générateur de prototypes de produits :

• nouvelles recettes à partir d’ingrédients disponibles (et réellement sourçables)
• variantes “sans allergènes” (sans lactose, sans noix, sans gluten)
• optimisation nutritionnelle (plus de protéines, moins de sel, fibres)
• ajustement de coût cible (formulation sous contrainte de prix)

Ce qui change en 2025 : la pression est double. Innover plus vite et réduire les risques (rappels produits, allergènes, claims contestés). Une IA bien encadrée peut proposer des options, mais aussi imposer des règles : pas d’ingrédient non validé, pas de claim sans preuve, pas de combinaison incompatible.

Cas d’usage 2 : personnalisation B2B (restauration, collectivités, marques)

La personnalisation ne concerne pas que le consommateur final. Elle devient un atout B2B : un industriel peut proposer à un client (chaîne, cantine, hôpital) des variantes selon :

• contraintes nutritionnelles (sodium, textures modifiées)
• grammages et formats
• coûts et disponibilité locale
• préférences culturelles régionales

L’équivalent du “movie night” en agro ? “Menu scolaire hiver”, “snacking riche en protéines”, “gamme festive sans alcool” (très saisonnier en décembre), “repas faible IG”.

Cas d’usage 3 : planification agricole guidée par la demande

C’est le chaînon souvent oublié : si on personnalise en aval, il faut suivre en amont.

Un système de personnalisation génère des signaux précieux : tendances d’ingrédients, exclusions récurrentes, saisonnalité, pics de demande. Bien utilisé, ça peut alimenter :

• des prévisions de demande plus fines
• des choix d’assolement ou de contrats de culture
• des stratégies anti-gaspillage (ajuster volumes, réduire invendus)

Idée simple : quand l’interface client devient un capteur de préférences, l’agriculture peut devenir plus pilotée par l’usage réel, pas seulement par l’historique.

Le vrai sujet : gouvernance, qualité des données et sécurité alimentaire

Le risque avec l’IA générative en agroalimentaire, ce n’est pas “une recette bizarre”. C’est une recommandation non conforme : allergènes, sécurité, réglementation, traçabilité.

La bonne approche : un modèle de langage ne décide jamais seul. Il propose, mais chaque proposition passe dans un cadre.

Les garde-fous indispensables (pratiques, pas théoriques)

1. Bibliothèque d’ingrédients validés
   • identifiants uniques, allergènes, limites d’usage, fournisseurs approuvés
2. Règles de conformité
   • seuils (sel, additifs), contraintes réglementaires par marché, mentions obligatoires
3. Moteur de contraintes (hard rules)
   • si “sans noix” est sélectionné, aucune trace ni dérivé ne passe
4. Traçabilité des suggestions
   • journaliser les prompts, la version du modèle, les règles appliquées
5. Validation humaine sur les nouveautés
   • surtout en R&D : l’IA accélère l’exploration, l’expert valide

Je prends position : la plupart des projets échouent parce qu’ils mettent l’IA avant le référentiel produit. Le référentiel (données, règles, conformité) est la fondation.

Mesurer l’impact : les KPI qui comptent (au-delà des clics)

Dodo Pizza parle de clics multipliés par trois sur la “carte pizza IA”. C’est un signal d’intérêt. Mais en agroalimentaire, il faut mesurer plus loin.

KPI côté expérience client

• taux de conversion après interaction IA
• panier moyen (upsell pertinent vs surcharge)
• réachat à 30 jours / 90 jours
• taux d’abandon lors de la personnalisation (trop de choix tue le choix)

KPI côté opérations et chaîne d’approvisionnement

• variabilité des SKUs et complexité (à maîtriser)
• taux de rupture / substitution d’ingrédients
• gaspillage (kg, €) avant/après
• précision des prévisions (MAPE ou équivalent) sur ingrédients clés

KPI côté R&D et time-to-market

• nombre de prototypes pertinents générés/semaine
• temps de formulation (brief → prototype)
• taux de validation sensorielle (panel interne/externe)

Une règle que j’aime bien : si votre IA augmente l’engagement mais dégrade la disponibilité ou explose la complexité industrielle, vous avez créé un joli écran… pas un système.

Questions fréquentes (et réponses directes)

Est-ce que ChatGPT “invente” des recettes fiables ?

Oui, il peut inventer. C’est pour ça qu’en agro, on doit encadrer la génération par un catalogue d’ingrédients autorisés et des règles de conformité. L’IA doit rester dans un bac à sable.

La personnalisation ne va-t-elle pas rendre la production ingérable ?

Elle peut. La solution consiste à personnaliser dans des limites industrielles : modules, options plafonnées, substitutions contrôlées, et pilotage par la data (ce qui tourne vraiment vs ce qui est marginal).

Quels secteurs agro y gagnent le plus ?

Ceux où l’offre est déjà modulable : snacking, boissons, nutrition sportive, plats préparés, ingrédients fonctionnels, et restauration collective. Mais l’amont agricole y gagne aussi via la prévision de demande.

Ce que votre organisation peut faire dès janvier 2026

Décembre est souvent un mois de bilans, et c’est tant mieux : la personnalisation IA se prépare avant d’être “showcased”. Voici un plan simple, réaliste.

1. Cartographier vos variables
   • ingrédients, contraintes, allergènes, coûts, saisonnalité, fournisseurs
2. Choisir un cas d’usage étroit (4 à 6 semaines)
   • ex. configurateur de recettes B2B, assistant R&D, FAQ ingrédients/allergènes
3. Mettre en place un référentiel produit propre
   • même imparfait, mais versionné et maintenable
4. Définir 5 KPI max
   • 2 expérience, 2 opérations, 1 conformité
5. Prototyper une interface conversationnelle
   • pas besoin de “tout automatiser” : viser un assistant, pas un pilote automatique

Une IA utile en agroalimentaire, c’est une IA qui respecte les contraintes avant de chercher l’originalité.

La suite logique : du contenu “créatif” à la personnalisation de bout en bout

Notre série sur l’IA dans les médias et les industries créatives parle beaucoup de recommandation, de création et d’analyse d’audience. Le test de Dodo Pizza montre la continuité : la même mécanique de personnalisation peut passer du contenu (vidéo, musique, articles) au produit alimentaire, puis remonter jusqu’au champ.

Si vous travaillez en agriculture, en transformation ou dans une marque alimentaire, la question n’est plus “faut-il personnaliser ?”. C’est : jusqu’où personnaliser sans casser l’exécution — et comment transformer cette personnalisation en signal de planification, pas seulement en gadget marketing.

La prochaine étape, selon moi, sera l’intégration explicite de l’impact : saisonnalité, empreinte carbone estimée, origine, et disponibilité en temps réel. Quand la personnalisation inclura ces dimensions, on n’aura pas seulement une pizza “selon l’humeur”. On aura un système alimentaire plus pilotable.

Et vous, dans votre chaîne de valeur, quel est l’endroit le plus rentable pour commencer : l’interface client, la formulation, ou la planification amont ?